Development of a Web and Mobile Applications-Based Cassava Disease Classification Interface Using Convolutional Neural Network
Notice bibliographique
Résumé
Cassava is one of the six food items identified as a critical food product for Africa, owing to its importance to African farmers' lives and ability to alter African economies.However, Cassava plant diseases have affected the yield of farmers significantly which has led to a decline in the agricultural production of cassava.Therefore, the aim of this research work is to develop a web and mobile applications-based system that would be able to detect cassava diseases based on its leaf images.To achieve this aim, pre-trained Convolutional Neural Network (CNN) models were selected using their previous performance and the application of transfer learning technique, new models were developed to classify cassava diseases based on the dataset curated and pre-processed.The best three models were selected: MobileNetV2, VGG16 and ResNet50.After training, the accuracy for each model was: 98%, 92% and 75% for MobileNetV2, VGG16 and ResNet50 respectively.Following evaluation of performance, the model with the best accuracy (MobileNetV2) was deployed using a web application interface.After deploying as a web and mobile apps interface, it was further tested to see how it would perform on the field.This research work was found capable of aiding farmers in being able to timely detect the type of disease affecting their cassava plants and the correct treatment to utilize; this also contribute towards Sustainable development goals (SDG) 2 and 12.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».